解语樱木

2026年，数学界正在经历一场前所未有的震动。

过去几个月，AI在数学领域连续取得突破。5月，OpenAI的通用推理模型自主推翻了困扰数学家80年的“单位距离猜想”。仅仅一天后，Google DeepMind的AlphaProof Nexus一口气解决了9道埃尔德什开放难题，其中两道已经悬了56年。推理成本低到每个问题只要几百美元。

这不是“AI又考了个高分”那么简单。这是AI第一次真正参与到研究级数学的核心工作中。

从答题工具到研究伙伴，AI跨过了那道门槛

AI做数学，以前和现在完全是两回事。

2024年，DeepMind的AlphaProof在IMO竞赛中解出3道题，达到银牌水平。但那时候它解的题都有标准答案，属于“考试型”能力。到了2026年，事情变了：AI开始处理那些从来没有人解决过的开放问题，而且不是靠“超级文献检索”找到旧论文，是真正自主生成原创证明。

关键转折发生在形式数学工具成熟之后。Lean这类证明助手要求每一步推导都被机器严格检查，大模型那种“看起来合理但其实错误”的输出根本过不了关。AlphaProof Nexus把大模型和Lean深度结合：AI提出证明思路，Lean逐步核查每个逻辑步骤，通不过就直接拒绝。

更值得注意的是产业端的动作。25岁的洪乐潼创办的Axiom Math，2026年3月完成2亿美元融资，估值达到16亿美元，成为独角兽。公司成立才一年多。他们用AI生成的数学论文，已经有5篇通过了同行评审。

一个初创公司用AI写的数学论文能发在学术期刊上，这件事放在两年前没人敢想。现在它不仅发生了，还拿到了资本市场的真金白银。

证明多到消化不过来，“知识消化不良”来了

菲尔兹奖得主陶哲轩把这种变化概括为：数学正在从“证明稀缺”走向“证明丰裕”。

听起来是好消息，证明更容易了，数学家应该高兴才对。但陶哲轩看到的恰恰是反面。

数学研究不是把“已证明”三个字贴在命题上就结束了。一个重要结果需要被检查、被简化、被和已有理论建立联系，经过同行评议，最后写进教材，传给下一代研究者。如果AI每天产出海量正确但冗长、难读、彼此孤立的结果，瓶颈就会从“能不能证明”变成“哪些值得理解”。

数据已经在印证这个趋势。2025年8月到2026年8月，arXiv上的数学论文数量增长了75%。2026年第二季度，每月上传的数学论文达到5274篇，比过去15年的稳定增长趋势高出了20%。

数学研究不像实验科学，不需要昂贵的设备和试剂。AI生成证明的成本极低，但人类消化证明的速度不会因为AI变快而变快。这就像水管突然变粗了十倍，但下游的蓄水池还是原来的大小。

陶哲轩甚至宣布改变自己的工作习惯：不再试图实时跟进所有新证明。一个菲尔兹奖得主都跟不上了，其他人更不用说。

最危险的不是算错，是没人理解

大家最熟悉的大模型风险是幻觉，AI会编造看起来很对但其实错误的内容。但在数学领域，错误反而是容易处理的问题，因为Lean这样的形式验证工具可以充当最终裁判。

更深层的风险是另一件事：证明是对的，但没人看得懂。

国际数学家大会上，陶哲轩描述了一种以前没有过的情况：一项重要结果已经被证明，验证也通过了，却没人能解释这份证明为什么成立，更没办法把它讲清楚，让其他数学家读懂、复用、传下去。

独立评测机构First Proof的数据显示，AI交出的7道“可发表”证明虽然逻辑上看起来正确，但存在引用错误、解释不足、逻辑跳跃等问题。

数学的价值不只是“知道某个命题为真”，更在于“理解为什么为真”。一条好证明之所以重要，是因为它揭示了背后的结构，打开了新的方向。如果AI给出一个数万行的形式化证明，每一步都对，但没人能从中提炼出核心思想，那它对数学知识的推进意义就大打折扣。

数学家的饭碗在变，不是在丢

这不意味着数学家会被淘汰，但职业定义正在被改写。

过去，数学界最稀缺的是能找到证明的人。现在，机器能同时搜索成百上千条路线。真正稀缺的能力变成了：判断哪个问题值得研究，判断机器产出的结果是否重要，把孤立结论压缩成概念，发现不同领域之间真正有价值的连接。

陶哲轩还提出了一个更让人不安的问题：那些原本用来训练研究生的“中等难度”问题，现在正好落在AI能力快速扩张的范围里。导师安排学生做这些问题来积累经验、获得职业认可，但AI几秒钟就能做完。如果科研体系只不断生产结果，却没有人继续消化成果、形成下一代知识基础，科学社会可能失去产生真正原创思想的能力。

2026年6月，数学界发布了《莱顿宣言》，明确规定AI使用必须披露，作者必须对AI辅助的内容负责。学术评价体系正在被迫做出调整。

教育和评价体系必须跟上

数学不是唯一被AI冲击的领域，但它是感受最深的。因为数学的规则清晰、答案可验证、很多任务可以形式化，恰好是AI最擅长的环境。这让数学成为“研究型AI”的天然试验场，也让进步速度尤其快。

但优势的另一面是压力。论文数量暴增，作者资格怎么算？AI贡献如何披露？训练数据来自哪里？这些问题正在从技术问题变成学术伦理问题。教育层面同样棘手：如果学生过早把推理交给模型，他们可能获得答案，却失去了形成数学直觉所必需的挫折、试错和长期思考。

港大数学系教授吴端伟指出，平面几何等数学训练有助于培养学生的逻辑推理与空间想象，这是长期塑造严谨思维的关键，在AI时代不会过时。但他也担心，学生可能在不理解的情况下全盘相信AI的输出。

这些问题没有现成答案。但有一点越来越清楚：当证明变得像计算资源一样丰富，真正昂贵的不再是一条新证明，而是能够理解它、判断它为什么重要、把它变成下一代思想起点的人类判断力。

最后一个问题留给大家：如果AI能批量生产正确的数学证明，你觉得数学课还应该教什么？是继续训练手工推导，还是转向培养提出问题和判断价值的能力？

版权声明

“特别声明：以上作品内容(包括在内的视频、图片或音频)为用户上传并发布，本平台仅提供信息存储空间服务。 Notice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user , the platform merely provides information storage space services.”

本文地址: https://www.amtbbs.org/thread-18538-1-1.html